Pythonでローディングのぐるぐるを表示する - CAMPHOR- Tech Blogこの記事はCAMPHOR- Advent Calendar 2014の21日目の記事です。 こんにちは、@morishin127です。 今日はPythonで処理中のぐるぐるを表示する方法を紹介します。 これです。 npm installとかで出てくるあれですね。 これがソースコードです。 Python 3 で書いていますが、2 でも動くようにはしています。 ぐるぐるの棒を表す4種類の文字の繰り返しを、ジェネレータを使って無限列で表しています。 印字部分のコードは下記のようになっています。
scikit-learn準拠の学習器を作ってgrid searchとかcross validationする - でかいチーズをベーグルする
Python Advent Calender 2014の19日目。 scikit-learnに準拠した学習器を自分で実装してscikit-learnに実装されているgrid searchとかcross validationを使えるようにするお話。Pythonの話というか完全にscikit-learnの話なんだけど、まあいいよね。 scikit-learnについてはこの辺がわかりやすいかな。 pythonの機械学習ライブラリscikit-learnの紹介 はじパタlt scikit-learnで始める機械学習 scikit-learn準拠にするには？ 全部下のページに書いてある。 Contributing — scikit-learn 0.15.2 documentation やること sklearn.base.BaseEstimatorを継承する 回帰ならRegressorMixin
FoundationDB と Django ORM で遊ぶ - Qiita
Multi-Model Database — FoundationDB 毎秒1400万回のライト(write)を行うNoSQLデータベースFoundationDB、ACIDの条件も満たす - TechCrunch FoundationDBのNoSQLデータベースがACIDトランザクションをサポート FoundationDB というのが TL に流れてきて、読んでたら面白そうだったので触ってみた。ただ触るだけだと面白くないので Django 経由で触ってみることに。 結論 Django 1.6 系でちゃんと python manage.py syncdb してデータが入る。これはすばらしい。 データの取り出しも問題ない。何か意識する必要もないので良い感じ。 性能はまだ 環境 Mac OS X 10.9.5 Python 2.7.9 Python 関連はこの辺入れた
Python simpy による離散イベントシミュレーション - StatsFragments
この記事は Python Advent Calendar 2014 の14日目の記事です。 この記事では、離散イベントシミュレーション用の Python パッケージ simpy について書きたい。simpy の現在のバージョンは 3.0.5、イニシャルリリースは 2002 年とかなり歴史のあるパッケージだ。 この simpy、けっこう面白いなーと思っていて、自分は 毎朝 起きるたび、今日は simpy について書かれたブログあるかな？と探しては 裏切られる日々を数年つづけてきた。もう誰かにこんな思いはさせたくない、、、こうなったら自分で書くしかない。 離散イベントシミュレーション (Discrete event simulation) とは 離散イベントシミュレーションの説明はこちらがよくまとまっている。 《離散型シミュレーション》 - ORWiki 簡単にいうと 発生が離散的なイベントを
Rubyが切り開く科学の未来 - ほげほげにゃ
この記事はRuby Advent Calendar 2014の13日目の記事です。 初めに Rubyを教育・研究に使おうという試みはRubyの黎明期からありました。 この時期の有名なパッケージとしてはバイオインフォマティクスのBioRubyや地球科学の電脳Rubyプロジェクトが有名です。 先述のBioRubyやGPhys(電脳Rubyの成果物)は現在も更新が続けられており、多数の利用者を抱えています。 しかし全体として見た場合、科学の分野で使われるLL言語としてRubyはPythonやRの後塵を拝している印象があります。 科学計算における均質化、あるいはなぜPythonが着実に他言語のシェアを奪っているか 記事のようにこの分野ではPythonコミュニティが非常に活発で、機械学習など新しい技術は真っ先にPythonで実装されるようになっています。 しかし最近Rubyでも少しずつですが環境が充
Djangoのテストの書き方について勉強したのでまとめる - c-bata web
追記: この記事の内容はかなり古くなっています。翔泳社さんからDjangoの書籍を出版するので、ぜひ読んでみてください。 実践Django Pythonによる本格Webアプリケーション開発 (Programmer’s SELECTION) 作者:芝田 将翔泳社Amazon はじめに この記事はPython Advent Calendar 2014の12日目の記事です． 昨日は「SushiYasukawa」さんによる（Pythonによる簡単なLispインタープリタ実装方法（四則演算編）） - Python, web, Algorithm 技術的なメモでした． 最近Djangoで何か作ったという記事をよく見かけます． 次のQiitaの記事を参考にDjangoの勉強を始められた方が多いようなので、僕も始めてみました． Python Django入門 (1) - Qiita Python Djan
Python Django入門 (1) - Qiita
はじめに なぜPythonを選ぶか かなり独断と偏見が入っていますが、 シンプルな言語セット 某言語のように、呪文のように短く書けることが命ではない。 それでいて、書くコード量は少なく、すっきりしている。 某言語のように、記号を多用しない。 コードを書いている間Shiftキーを押しっぱなしにならない。 学習コストが低い。 言語セットとしての文法は、わりと平易で、直感で理解できる。 難しい書き方は、後から覚えればよい。 文法書を読むのは、後からでいいでしょう。まずこの講座をやってみましょう。 Djangoフレームワークや、各種Pythonパッケージのソースを読んでも、 言語仕様を駆使した難しい書き回しは少ない。 メンテナーでなくても意外と読める。 なぜDjangoを選ぶか Pythonで作られたフルスタック・フレームワークであるということ。 必要なものはすべて揃っている。 テンプレートはあれ
教師なしLDAでTwitterのスパム判別をしてみる(予備実験編) - 病みつきエンジニアブログ
※普通は「教師なしLDA」という言い方はしないです モチベーション 元々は、TwitterからURLつきのツイートを取りたかった。某ニュースアプリがTwitter上で(？)話題になっているニュース記事を(法的な是非があるとはいえ)配信しており、そんな感じのマイニングがしたかった。 ただ、普通に「http,https」でTwitter上で検索すると、量が膨大だった。加えて、ほとんどがスパム。なーにが「このサイトすごすぎｗｗｗｗｗ」じゃ。 ということで、検索の段階でスパミーなキーワードを取り除き、純度の高いURL投稿マイニングをしたいわけだが、キーワードは既知なものには限らない。例えば「無料」とか「アフィリエイト」とかがスパムなのはそうなんだけど、「パズドラ」とか「魔法石」とか、未知のキーワードとか出てきた時に対応できない。 そこで、教師なし学習のアプローチを使って、スパムなキーワードを抽出す
LDAを使って、Twitterでスパムに使われそうな単語を推定する - 病みつきエンジニアブログ
教師なしLDAでTwitterのスパム判別をしてみる(予備実験編) - 病みつきエンジニアブログ の続きになります！ モチベーション 前回の記事で、LDA(latent Dirichlet allocation)のモデルを獲得したので、獲得したモデルを使って「どんな単語がスパムによく使われるのか？」というのを推定しようと思った。 そんなにちゃんとモチベーションない気がする*1。 考えられる使い道は、 スパム判定のルールを作ることができる スパム判定されなさそうな単語を選択することができる(スパマー側の気持ちに立ってｗ) なのかなあ、あんまり使えなさそう。でも、ここらへんの教師データってちゃんとないから、前者は普通にありかなあと思ったり。 推定方法 という式に基いて行っている。順番に説明すると、 は「ある単語がスパムっぽい確率」 は「そもそもスパムが発生する確率」、つまりスパムの事前確率 は
Python形態素解析ライブラリ3つを徹底比較 - Qiita
はじめに 形態素解析ツールは数多く存在するが，それぞれの特徴を理解した上で利用することが重要である． 今回はPythonから利用できる形態素解析ツール3つを比較してみた． MeCab CRF(Conditional Random Fields)を用いたパラメータ推定 判別精度，実行速度ともに高く，標準的な使い方をするのであればMeCabを使うのが間違いないと思われる．ただしライブラリはちょっと重い． In[1]: import MeCab In[2]: mecab = MeCab.Tagger() In[3]: %time print mecab.parse("りんごは人間の身体にとって大変良い効果があることが立証されています") りんご 名詞,一般,*,*,*,*,りんご,リンゴ,リンゴ は 助詞,係助詞,*,*,*,*,は,ハ,ワ 人間 名詞,一般,*,*,*,*,人間,ニンゲン,ニン
Python で Twitter から情報収集 (Twitter API 編) - Qiita
# !/usr/bin/env python # -*- coding:utf-8 -*- from requests_oauthlib import OAuth1Session import json ### Constants oath_key_dict = { "consumer_key": "xxxxxxxxxxxxxxxxxxxx", "consumer_secret": "xxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxx", "access_token": "xxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxx", "access_token_secret": "xxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxx" } ### Functions def mai
Python で Twitter API にアクセス - Qiita
PythonからTwitter APIへのアクセス。Python2, 3両対応。 python-twitter というのもあるけど、基本はHTTP Requestを送ってJSONを得るだけなので、わざわざTwitter専用のライブラリを使うことも無いと思って自分で書いてみた。OAuth認証だけは別途ライブラリ使う。 OAuthのライブラリ Twitterへのアクセスには OAuth認証 というのが必要。 認証方式は非常にややこしいので、凡人はライブラリを使う。 今回は「人間のためのOAuth」をもって自認する Requests-OAuthlib を使う。他のライブラリがどんな生物を想定しているのかは知らない。 アプリケーション登録 Twitter APIにアクセスするにはまずアプリケーション登録が必要。これを済ませると Consumer Key Consumer Secret という2つの
Theano で Deep Learning <3> : 畳み込みニューラルネットワーク - StatsFragments
Python Theano を使って Deep Learning の理論とアルゴリズムを学ぶ会、第三回。今回で教師あり学習の部分はひと段落。 目次 DeepLearning 0.1 について、対応する記事のリンクを記載。 第一回 MNIST データをロジスティック回帰で判別する 英 第二回 多層パーセプトロン 英 第三回 畳み込みニューラルネットワーク (今回) 英 第四回 Denoising オートエンコーダ 英 第五回 多層 Denoising オートエンコーダ 英 第六回の準備1 networkx でマルコフ確率場 / 確率伝搬法を実装する - 第六回の準備2 ホップフィールドネットワーク - 第六回 制約付きボルツマンマシン 英 Deep Belief Networks 英 Hybrid Monte-Carlo Sampling 英 Recurrent Neural Network
Vagrant + Puppet
O documento fornece uma visão geral sobre o uso do Vagrant para a criação e gerenciamento de ambientes de desenvolvimento, abordando aspectos como a configuração de máquinas virtuais, provisionamento e a utilização de plugins. Também discute a importância de ter ambientes padronizados para testes e produção, destacando ferramentas como Puppet para automação de infraestrutura. Além disso, menciona
Python で機械学習しよう！（環境構築 on Mac編） - もろず blog
そろそろちゃんと機械学習を勉強しようと思い、ついでに Python をやり始めています そういえば、大学生のときに Python を勉強しようと思って本を買ったことがあったんですが、当時はあんまりやる気もなくちょっとしか手をつけていませんでした あの時ちゃんと勉強しとけばよかったなぁとか思ったり・・・ とりあえず、手持ちの Mac 上に数値計算や機械学習を実行できる環境を構築したのでその際の手順をまとめました ※以下の環境で動作することを確認しています OS X Mavericks (10.9) OS X Yosemite (10.10) この記事では 1. 概要 2. Python とライブラリのインストール 3. PyDev のインストールとセットアップ 4. Hello Python !!! 5. まとめ について説明します 1. 概要 今回は Python を使って数値計算、機械学
Mac OS X で OpenCV + Python の開発環境を整備する方法 - ymyzk’s blog
Mac OS X で OpenCV + Python の開発環境を整備する方法をまとめます. 今回この方法で導入テストを行なった環境は以下の通りです. OS X 10.9.2 (13C1021) Homebrew Python 2.7.6 NumPy 1.8.1 OpenCV 2.4.8.2 Mac OS X で OpenCV 3 + Python 2/3 での環境構築についてはこちらをご覧下さい. Homebrew の導入 これについては多くの方が既に導入されていると思いますので省略します. 詳しくは Homebrew の公式サイトを参照してください. NumPy は homebrew-python, OpenCV は homebred-science に Formula があるので, それぞれ tap しておきます. brew tap homebrew/python brew tap
はじめるDeep learning - Qiita
Deleted articles cannot be recovered. Draft of this article would be also deleted. Are you sure you want to delete this article? そうだ、Deep learningをやろう。そんなあなたへ送る解説記事です。 そう言いながらも私自身勉強しながら書いているので誤記や勘違いなどがあるかもしれません。もし見つけたらご連絡ください。 Deep learningとは こちらのスライドがとてもよくまとまっています。 Deep learning つまるところ、Deep learningの特徴は「特徴の抽出までやってくれる」という点に尽きると思います。 例えば相撲取りを判定するモデルを構築するとしたら、普通は「腰回りサイズ」「マゲの有無」「和装か否か」といった特徴を定義して、それを
リリース、障害情報などのサービスのお知らせ
最新の人気エントリーの配信
j次のブックマーク
k前のブックマーク
lあとで読む
eコメント一覧を開く
oページを開く
Mecabのインストールメモ - Qiita
デプロイツールfabric+cuisineで冪等性保証 - Qiita
Private Presentation
